Repasemos algunas tecnologías y enfoques actualmente en desarrollo: analítica de datos x 3, análisis predictivo y análisis prescriptivo.

Analítica de datos (screening)

El análisis de datos puro es una forma eficaz de examinar los datos. Se necesitan millones de lecturas y llama la atención del analista sobre los datos que indican un cambio significativo. Potencialmente podemos recopilar muchos más datos y tener sistemas en línea, pero necesitamos tener confianza en ellos: cuando indican un cambio que necesitamos ver, investigamos; si no, ignoramos los datos. Nuestros sistemas necesitan hacer mucho más de lo que lo hacen actualmente.

Análisis de datos (diagnóstico)

Podemos ir un paso más allá y hacer que el sistema diagnostique el problema en función de los datos. El sistema observa el cambio e infiere que el cambio en particular indica, por ejemplo, un fallo del rodamiento o un desbalance. Como analistas, pueden ir y verificar, pero al menos tienen una idea del problema, la urgencia, etc.

Análisis de datos (causa raíz)

Algunos sistemas pueden hacer todo lo anterior y detectar las causas raíz de las fallas y advertirle de ellos, sabiendo que si usted no hace nada sobre las causas raíz, el sistema pronto le dirá sobre la falla resultante.

Análisis Predictivo (PA)

El análisis predictivo se basa en lo anterior. Ve el problema, y ya que está tomando medidas con más frecuencia en una configuración en línea, puede predecir cuándo se producirá la falla.

Análisis Prescriptivo

El análisis prescriptivo realiza lo anterior y también genera una orden de trabajo. Estos sistemas están siendo desarrollados y probados ahora.

¿Cómo hacerlo?

¿Cómo se hace un sistema como este? Se están utilizando varias técnicas. En primer lugar, el software puede monitorear múltiples parámetros y determinar lo que es “normal.”

Por ejemplo, con la vibración, puede mirar los espectros tomados con una hora de diferencia y ver que hay ciertos picos donde la amplitud no ha cambiado mucho en absoluto, y áreas del espectro donde hay más variación. Hemos decidido que esto es normal. El software puede informarle cuando la máquina se comporta de forma anormal. El software, a través del análisis estadístico y otras técnicas, puede hacer ese análisis y darle una advertencia.

Los sistemas de inteligencia artificial se están enseñando básicamente datos sobre lo que llevó a la falla del rodamiento de la máquina, falla de acoplamiento o barras de rotor rotas. Usted conoce las reglas y le está enseñando el sistema. Usted no le está diciendo a la máquina que si el pico 1X va alto y no hay armónicos, entonces esto sucedió (así es como funcionan los sistemas expertos). Los sistemas de IA solo tienen en cuenta los cambios en los datos.

Del mismo modo, un oncólogo puede tener software que puede escanear varias mamografías, y también hay datos sobre lo que les sucedió a las mujeres. El software utilizó esos datos para llegar no sólo a las cinco características que todos los médicos saben buscar, sino también una sexta que nadie había notado.

El sistema examina los datos y obtiene una indicación del estado de la máquina. Ahora se está desarrollando un software que analiza los datos de vibración y el sistema de gestión de mantenimiento. Ve las órdenes de trabajo que genera y aprende a diagnosticar un fallo en una máquina a través de la “experiencia”. La máquina se enseña con el ejemplo y esto es aprendizaje automático supervisado.

Cuando los sistemas pueden mirar la orden de trabajo que se generó y las piezas que se requerían, pueden empezar a decirnos el problema, el trabajo que hay que hacer, las piezas requeridas, etc.

Tenemos que tener cuidado con la calidad de los datos de vibración: los datos sin procesar y la información del CMMS. El sistema que acabo de explicar fue probado en una planta, pero el sistema de IA estaba siendo frustrado porque la información en el CMMS era inexacta. Estaban identificando erróneamente las máquinas, el trabajo y otras cosas.

Hay sistemas que se están desarrollando, por ejemplo uno que mira a los robots que construyen un automóvil. El sistema de IA tiene toda esta información para mirar y puede hacer diagnósticos, pero sólo es bueno para esa aplicación. No se puede aplicar a otras máquinas.

El caso ideal es un sistema que aprende globalmente y aplica sus capacidades a nivel mundial.

Ahora hay una explosión de interés en esta área. El campo de aplicarlo al mantenimiento predictivo es ahora la moda de esta industria, con conferencias centradas en esta tecnología. La gente ve el mantenimiento predictivo como una gran oportunidad. Las empresas emergentes de Silicon Valley están tratando de dominarlo.